0

4
0

文字

分享

0
4
0

《長髮公主不為人知的辛酸史!?小小驗證家說給你聽!》——2018數感盃 / 國中組專題報導類佳作

數感實驗室_96
・2018/04/19 ・2131字 ・閱讀時間約 4 分鐘 ・SR值 549 ・八年級

數感盃青少年寫作競賽」提供國中、高中職學生在培養數學素養後,一個絕佳的發揮舞台。本競賽鼓勵學生跨領域學習,運用數學知識,培養及展現邏輯思考與文字撰寫的能力,盼提升臺灣青少年科普寫作的風氣以及對數學的興趣。

本文為 2018數感盃青少年寫作競賽 / 國中組專題報導類佳作 之作品,為盡量完整呈現學生之作品樣貌,本文除首圖及標點符號、錯字之外並未進行其他大幅度編修。

  • 作者:劉茂德、詹喬茵/宜蘭縣立復興國中
圖/imdb

每位孩童的心裡必然珍藏著自己最為喜愛的童話故事。即使時光荏苒,這些陪伴我們的童話仍深烙印於心。

「長髮姑娘、長髮姑娘,放下你的長髮!」

如此耳熟能詳,我的腦海裡總有這麼一段台詞。

《長髮公主》的奇幻故事於 2011 年躍上大銀幕,成為了十分賣座的動畫《魔髮奇緣》。但已經是國中生的我們用更為理性的角度去觀看這整部電影,才發覺裡頭原來有許多待釐清的不科學!

-----廣告,請繼續往下閱讀-----

在《魔髮奇緣》裡,公主為了與男主角一同逃離高塔,遂將自己的長髮垂掛於鉤子並將其拋置地面。那麼,

「公主一頭的金色長髮到底有多長呢?」這個問題在我心中油然而生。

由於必須先得知塔高才能進一步計算公主髮長,但我們卻又無法準確實測高塔高度,於是找了鵝鑾鼻燈塔(24.4m)、三貂角燈塔(16.5m)、鼻頭角燈塔(12.3m)等十座台灣知名燈塔作為驗證輔助將其高度進行平均(註一):

(24.4+16.5+12.3+14.3+12.7+8.3+14.8+33.3+11.6+15.2)m÷10=16.34≒16m

-----廣告,請繼續往下閱讀-----

假設我們以此平均結果作為最後的塔高,而公主將頭髮拋下距地面 16 公尺的塔頂,並順延著自己的頭髮溜下。此時的頭髮從地面延伸至鉤子再回到地面,形成倒U字型,所以我們可以進一步推理,公主的髮長應要為塔的兩倍高:16×232(m)

一想到公主都需和這 32 公尺的頭髮朝夕相處,無論是行動上或清潔、烘乾頭髮,想必都為她生活帶來許多不便,小小驗證家我可是為她感到萬分欽佩啊!所以說公主的辛苦還真是無人知曉。

再讓我們繼續回到電影《魔髮奇緣》,片中公主的長髮是女巫每日的交通工具,當女巫呼喊著公主,公主就須將頭髮繞過鉤子垂放於地,而女巫會將她的頭髮來回纏繞於手腕,並站立在髮上等公主將她拉上高塔。這畫面是多麼怵目驚心,我們的頭髮要支撐一位成人重量成何容易?若是一般人,頭髮很可能因為無法承受而斷裂吧!看來長髮公主與其他童話裡的公主相比,似乎更為艱辛。即使真能承受一位成人重量,我們的女巫為免也太過殘忍,是否曾經體諒過公主啊…?

為了驗證頭髮是否真能如電影般支撐一個成人重量,我們做了實際測試。

-----廣告,請繼續往下閱讀-----

別小看一根毫不起眼的頭髮,最終得到的結果可是讓我們眼睛為之一亮! 我們將砝碼逐一垂掛於一根頭髮上,五次測量後分別在90克重、110克重、90克重、110克重、100 克重時斷裂。

平均後一根頭髮能承受重量約略是 100 克重,大概相當於兩顆雞蛋的重量。

在 The Normal Trichogram Of The Adult 這篇文章中提到:若髮色屬於金色的人,平均會有 140000 根頭髮。

再將上述化為完整式子:140000(根)x 100(gw)/ 1000=14000(kgw)。

-----廣告,請繼續往下閱讀-----

從而得知,當公主將女巫拉上高塔時,女巫體重最大能達 14000 公斤重!

金氏世界紀錄女性最大體重為 544 公斤重,14000 公斤重簡直刷新了紀錄!所以這個數字可以說是和「不可能」畫上等號。

而在我們釐清女巫的真實體重之前,我們必須先計算出公主的頭髮重量為多少。這是因為,當公主將女巫拉上高塔,除了女巫原本的重量,還要加上公主的全部髮重,才是公主雙手拉起的所有重量。

於是小小驗證家們為了使數據更增可信度,親自走訪了美髮店並索取一束頭髮進行測試。

-----廣告,請繼續往下閱讀-----

將蒐集到的頭髮經過一番好大的功夫整理後,取了一束約有 40 公分長的頭髮,利用電子秤將其多次測量後,平均後得到的重量約為 96.93 公克。再將這個長度放大為 32 公尺:

(32÷0.4)×96.93=7754.4(gw),相當於 7.7544 公斤重。

公主的頸椎必須要承受將近 8 公斤重的重量,想必這位看似瘦弱的長髮公主一定練就了鋼鐵般強硬的頸椎呢!

我們得知頭髮重量後,接著就能來進一步探討:

-----廣告,請繼續往下閱讀-----

女巫的真實重量最多可以是多少呢?網路上查得 成年女性平均雙手拉力約落在 380 牛頓左右,將 380 牛頓換算為質量(F/a=m)

380÷9.8≒38.77 (kg)也就是說,在地球上有38.77公斤重。

而公主除了拉起女巫,拋至地面的頭髮也須一併拉起。所以將 38.77 公斤重扣掉剛剛計算出的頭髮質量 7.75 公斤重。

38.77-7.75=31.02 (kgw)

-----廣告,請繼續往下閱讀-----

也就是說女巫體重最重約只能有 31 公斤重,若女巫重量超出 31 公斤重太多,公主將會沒有足夠的拉力將其拉起。而此數據也與上述計算的 14000 公斤重整整相差了 452 倍!可說是成功推翻 14000 公斤重這充滿驚嘆號和問號的數字。

《魔髮奇緣》中的公主被長期禁錮於高塔中,而女巫則出外採集蔬果等等。無論上塔下塔,在毫無升降梯的情形下,公主的頭髮都成了她不可或缺的出外工具。而我們可以進一步思考,公主的頭髮雖可承受女巫的所有重量,然而經過一天、兩天、三天……頭髮會到了一定的磨損程度,甚至也許造成公主頸椎的永久性傷害!我們的女巫可能要定期帶公主進行頸椎部分的相關檢查,不然到頭來也會把自己囚禁於塔裡了。

註1:燈塔數據參考

鵝鑾鼻燈塔24.4m
三貂角燈塔16.5m
鼻頭角燈塔12.3m
富貴角燈塔14.3m
太平島燈塔12.7m
七美嶼燈塔8.3m
蘭嶼燈塔14.8m
綠島燈塔33.3m
琉球燈塔11.6m
旗津燈塔15.2m

更多2018數感盃青少年寫作競賽內容,歡迎參考 2018數感盃特輯、數感實驗室官網粉絲頁喔。

-----廣告,請繼續往下閱讀-----
文章難易度
數感實驗室_96
76 篇文章 ・ 50 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

3
1

文字

分享

0
3
1
為什麼人類有頭髮?人類是如何從毛怪演變成現在的樣子?——《有點噁的科學》
時報出版_96
・2023/09/23 ・1579字 ・閱讀時間約 3 分鐘

哺乳動物的毛髮功能

所有哺乳動物都有毛髮(即使是醜得離譜的裸鼴鼠也有幾根陰毛),或多或少罷了,不過人類算是其中毛髮最少的。毛髮的主要功能是為我們的祖先們保暖,人全身約有五百萬根毛髮,其中大部分每天生長約○.四公釐(○.○二英寸)。這毛髮量聽起來好像很多,但與海狸上百億的毛髮和灰蝶的一千億根毛相比,這個數字就顯得微不足道了。

毛髮的主要功能是為我們的祖先們保暖,人全身約有五百萬根毛髮。圖/pexels

人類在演化過程中捨棄掉如此多毛髮,這在靈長類動物中絕無僅有,發生的原因目前尚不清楚。基因中有跡象顯示,我們約在一百七十萬年前就不再努力長毛了。

人類捨棄掉這麼多毛髮的原因

人類的體毛生長可能已轉化為青春期後的第二性徵,當我們準備好生育時才會出現。有個有趣的觀點是這樣的,人類毛髮脫落是因為跳蚤等體外寄生蟲作祟。

當人類的社群性格發展得更加明顯,群聚生活變得更緊密,跳蚤和蝨子的問題會變得更令人在意──將容易窩藏寄生蟲的毛髮削減掉,可避免牠們大批繁殖侵擾而造成破壞。

-----廣告,請繼續往下閱讀-----

另外有個理論認為,人類學會用火之後,濃密的毛髮可能就成了一種負擔──毛髮稀疏的人引火自焚的機率比較小──但這個說法有點站不住腳。

人類的體毛生長可能已轉化為青春期後的第二性徵,當我們準備好生育時才會出現。圖/pexels

你閱讀本節時或許已經發現,我們對毛髮的了解遠不及我們所未知的。為什麼有些人頭髮是捲的,有些是直的,為什麼我們有頭皮屑,為什麼陰毛如此粗硬,這些都是待解的科學謎團。

一步一步解開毛髮的謎底

雖然如此,但基本生物學原理套用到所有毛髮上都還是說得通的。毛髮從深陷皮膚的毛囊中發芽,細胞在那裡分裂和繁殖,將毛髮從真皮乳突中擠出,有點像擠牙膏。你的頭髮在夏天長得比冬天時更快,毛髮的學術名稱為複層鱗狀角質化上皮(stratified squamous keratinized epithelium)。

複層意味著它是一層又一層細絲拼排而成,鱗狀表示它表面的細胞扁平,角質化上皮是一種由角蛋白組成的動物組織,角蛋白是相當特殊的纖維蛋白,許多堅韌而靈活的動物身體部位都由這種基礎材質構成,包括頭髮、指甲、爪子和蹄子。

-----廣告,請繼續往下閱讀-----
毛髮有許多待解的科學謎團。圖/pexels

毛髮實際上已經死了,裡面沒有生化活動,但讓我們截取一根髮絲的橫切面來看看。它由三個主要的同心環組成:位於中心的是柔軟細緻、相對無明顯結構的髓質。

包圍它的是皮質,皮質為毛髮提供堅韌強度和支撐結構,並賦予其顏色(取決於黑色素含量)。然後是角質層外殼,其表面覆蓋著一層油性防水脂肪,只有薄薄的一個分子那麼厚。

毛髮的生長週期可謂絢爛又奇特,可分成三個發育階段,你身上的每根毛必定處於其中之一:較長的毛髮生長期;較短的衰退分解階段,此時毛囊收縮;以及休止期,此時原本的毛髮脫落,新的毛髮開始生長。

註解

  • 裸鼴鼠是哺乳類動物中唯一的溫度順應者(thermoconformer),牠們與昆蟲一樣,實際上是冷血動物,不必為調節體溫的事操心。

——本文摘自《有點噁的科學:尷尬又失控的生理現象》,2023 年 8 月,時報出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
時報出版_96
174 篇文章 ・ 35 位粉絲
出版品包括文學、人文社科、商業、生活、科普、漫畫、趨勢、心理勵志等,活躍於書市中,累積出版品五千多種,獲得國內外專家讀者、各種獎項的肯定,打造出無數的暢銷傳奇及和重量級作者,在台灣引爆一波波的閱讀議題及風潮。

1

4
3

文字

分享

1
4
3
貝多芬頭髮保存 DNA,讓台灣人肝同身受
寒波_96
・2023/04/26 ・2722字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

貝多芬,是歷史上最知名的音樂家之一。2023 年問世的論文報告貝多芬的基因組,得知他有肝硬化的遺傳高風險,另外還感染 B 型肝炎病毒,令台灣人肝同身受。

符合一般人心目中貝多芬形象的畫像。圖/GL Archive/Alamy

貝多芬留下很多頭髮,哪些是真的?

貝多芬在公元 1770 年 12 月 16 日出生,1827 年 3 月 26 日去世。他在生前就非常知名,去世後名聲歷久不衰,相關研究很多,這項研究從遺傳學切入,獲得寶貴的新觀點。

貝多芬去世後留下一些遺物,但是不見得是真品。這項研究由 8 份獨立收藏的頭髮抽取 DNA,據說源自貝多芬不同年紀留下的頭髮。

8 份樣本,有 1 份「Kessler」的 DNA 含量不足,其餘 7 份足夠分析。5 份長期由不同人保存,遺傳訊息卻完全一致,應該就是貝多芬本人的。其餘 2 份看來分屬沒有關係的 2 個人,顯然不是貝多芬的頭毛。

-----廣告,請繼續往下閱讀-----
很可能來自貝多芬的 5 份頭髮。圖/參考資料1

值得一提的是,「Hiller」頭毛之前檢驗出重金屬,有人藉此提出貝多芬去世前健康惡化,和重金屬中毒有關。但是這回得知這根本不是貝多芬的頭髮,推翻此一論點。

貝多芬的Y染色體,有點謎

從 5 個獨立來源獲得的古代 DNA,能拼湊出完整的基因組,覆蓋率高達 24。遺傳上看來是一位歐洲中部的男生,血緣上沒有特殊之處。Y 染色體型號為 I1a-Z139,也是歐洲的常見型號。

由不同頭髮中取樣拼湊而成的基因組,幾乎可以確認來自貝多芬本人。然而,和貝多芬家族如今的親戚比對,Y 染色體卻不一樣。

貝多芬整個基因組看來,與如今歐洲中部的人群最相似。圖/參考資料1

音樂家貝多芬在 1770 年出生,名字為 Ludwig van Beethoven。歷史可考有一位 1535 年出生、1609 年去世的祖先 Aert van Beethoven,比他更早好幾代,並且有男性後裔流傳至今。

-----廣告,請繼續往下閱讀-----

歐洲的姓是父系傳承,Y 染色體也是;所以同姓的人 Y 染色體應該類似,只有歷代突變累積的少數差異。然而比對發現,如今五位貝多芬的 Y 染色體皆為 R-FT446200,和音樂家貝多芬不同。

如果歷史記載正確,這五位應該都是 Aert 的直系後裔。論文推測,從 Aert 到音樂家貝多芬的兩百多年間,或許發生過某些缺乏紀錄的事。

另一方面,貝多芬類似款式的 Y 染色體,如今依然存在,而且在歐洲人資料庫中可以搜尋到 5 款,估計共同祖先能追溯到一千年前。奇妙的是,五群人的姓氏都不一樣,而且都沒有人姓貝多芬。

如今姓貝多芬的人,Y 染色體都和音樂家貝多芬不一樣。Y 染色體和音樂家貝多芬一樣的人,都不姓貝多芬。圖/參考資料1

爆肝的遺傳風險

有很明確的記載指出,貝多芬 56 歲去世前便長期健康欠佳,有腸道和肝的毛病。另外聽力問題也很出名,身為史上一流音樂家,貝多芬的聽覺竟然從 20 多歲起逐漸退化,去世前聽力極差,原因成謎。

-----廣告,請繼續往下閱讀-----

這些問題和遺傳有關嗎?人類遺傳學研究已經找到不少與疾病、健康有關的風險因子,檢查發現,聽力與腸道方面的毛病,貝多芬沒有配備哪些 DNA 變異明顯有關,後天因素的影響也許更大。

貝多芬的肝實際上大有問題,遺傳上看來,幾處基因上也具備高風險的變異。純以 DNA 來說有酗酒傾向,而他晚年確實會酗酒。

不過風險最明確的是 PNPLA3 基因,貝多芬在此基因 rs738409 位置,配備的一對變異與「肝硬化」高度相關,也就是先天上,肝硬化的機率更高。

貝多芬去世前留下的「Stumpff」頭髮,其中存在 B 型肝炎病毒的 DNA 片段。頭毛中竟然可以抓到 B 型肝炎病毒,奇怪的知識增加惹!圖/參考資料1

最終命運:肝硬化×酗酒×B型肝炎?

另一很難想像的發現是,貝多芬去世前不久留下的「Stumpff」頭髮中,偵測到 B 型肝炎病毒的 DNA 片段。

-----廣告,請繼續往下閱讀-----

儘管出乎意料,最近確實有研究報告,在病患的頭髮中檢驗到 B 肝病毒。因此頭髮中的病毒 DNA 或許不是後人汙染,而真的是曾經感染貝多芬的病毒。

B 肝病毒有很多款,貝多芬感染的型號是歐洲常見款式 D2。他在 1827 年 3 月去世,留下這些頭髮的日期則早於 1826 年冬天,由此可知去世前幾個月,貝多芬正在感染 B 型肝炎。

即使體內有 B 肝病毒,也不見得能在頭髮中偵測到,所以更早留下的頭髮中沒有病毒,不等於他當時沒有感染。貝多芬也有可能是長期感染的慢性帶原者。

無人不知的貝多芬,我們懷念他。圖/小賈斯汀 VS 貝多芬 – 經典饒舌爭霸戰 #6(正體中文)

貝多芬中年起健康明顯走下坡,去世前幾年或許同時受到肝硬化、酗酒、B 型肝炎的夾擊,才會導致嚴重的肝病問題。

-----廣告,請繼續往下閱讀-----

歷史記載 1826 年 12 月時,貝多芬出現黃疸、四肢腫脹,很像肝功能衰竭的症狀。他就此臥床,直到長眠。

貝多芬,我們懷念他。大家也要注意健康,小心肝。

延伸閱讀

參考資料

  1. Begg, T. J. A., Schmidt, A., Kocher, A., Larmuseau, M. H., Runfeldt, G., Maier, P. A., … & Krause, J. (2023). Genomic analyses of hair from Ludwig van Beethoven. Current Biology.
  2. Beethoven’s cause of death revealed from locks of hair

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

-----廣告,請繼續往下閱讀-----
所有討論 1
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。